AI-translated from English; not yet reviewed by a fluent editor.

# Dans un projet de modèle d’IA, les agents ont proposé des méthodes, mais les chercheurs ont fait les choix finaux

> L’équipe d’Atria Dawn a étudié 769 tâches issues du développement de son propre modèle. Les agents ont souvent proposé des méthodes et révisé des résultats, tandis que les participants ont déclaré avoir fait la plupart des choix finaux. Les conclusions portent sur un seul projet.

By BIG CHANGE Editorial

Published: 2026-09-27T17:05:31.968Z
Updated: 2026-09-27T17:05:31.968Z
Canonical: https://bigchange.ai/blog/atria-dawn-ai-agents-human-research-decisions

![Conceptual charcoal illustration of an anonymous researcher in profile considering code-like marks on a desktop monitor, with one hand on a mouse.](https://bigchange.ai/api/media/file/atria-dawn-research-choice-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE.

L’équipe qui développe Atria Dawn Preview a utilisé l’IA dans 713 des 739 tâches pour lesquelles les participants ont donné une réponse claire sur son usage. Dans l’[étude de ses propres travaux de développement](https://arxiv.org/html/2609.15818v2), les personnes ont tout de même fait le choix final dans 85,5 % des décisions consignées sur les méthodes ou les paramètres. Le titre de l’article évoque une « superintelligence agentique », mais les données de tâches racontent plus précisément comment l’équipe s’est réparti le travail.

La [prépublication](https://arxiv.org/abs/2609.15818) a été déposée le 14 septembre puis révisée le 17 septembre 2026. Elle s’appuie sur 769 tâches réalisées par 56 participants dans le cadre d’un seul projet de développement de modèle, ainsi que sur des journaux d’activité des agents. Les auteurs présentent ces données comme une étude de cas sur l’usage des agents par leur équipe pour créer Atria Dawn Preview.

## Le changement majeur

- **Ce qui a changé :** L’équipe a consigné la manière dont agents et personnes se répartissaient des décisions de recherche précises pendant le développement d’un modèle, en distinguant la proposition du choix final.
- **Pourquoi c’est important :** Un agent peut concevoir une méthode et effectuer une révision, tandis qu’un chercheur choisit toujours l’objectif, approuve la méthode et décide si le résultat répond aux critères de la tâche. Compter uniquement les actions de l’agent masque ces rôles distincts.
- **À surveiller :** Ces observations concernent le travail d’une seule équipe, et une grande partie des éléments relatifs aux décisions provient des déclarations des participants. Les résultats ne permettent pas d’établir comment d’autres laboratoires d’IA répartissent les décisions ni si des agents peuvent développer leurs successeurs de façon autonome.

## Les agents ont proposé de nombreuses méthodes ; les personnes en ont choisi la plupart

La distinction la plus nette ressort de 567 décisions consignées sur les méthodes ou les paramètres, prises par des participants chargés de l’exécution. Selon l’article, l’IA a proposé une option dans 64,6 % de ces décisions. La catégorie la plus importante, à 55,4 %, était « l’IA propose, l’humain choisit ». Les personnes ont fait le choix final dans 85,5 % des cas, contre 9,2 % pour l’IA. Les autres décisions ont été attribuées à une contrainte externe.

La répartition variait selon la question. Les personnes ont fait le choix final dans 93,4 % des 603 décisions relatives aux objectifs ou au périmètre, et dans 81,9 % des 542 décisions sur les critères d’acceptation. Les propositions de l’IA étaient bien plus fréquentes pour les méthodes que pour les objectifs. La figure de l’article indique aussi que les personnes ont choisi l’objectif final dans 144 des 151 tâches jugées irréalisables sans IA par les participants.

Ces pourcentages décrivent les rôles décisionnels déclarés. Ils ne mesurent pas si chaque choix humain reposait sur des informations suffisantes. Les auteurs interprètent cette répartition ainsi : les chercheurs orientaient le travail, tandis que les agents proposaient des options dans le cadre fixé par les personnes. Cette étude de cas documente, dans ce projet, une exécution déléguée avec maintien de l’autorité finale.

## Les retours humains renvoyaient souvent les agents au travail

Les participants ont rappelé la difficulté la plus importante rencontrée pour chaque tâche. Parmi les 588 tâches pour lesquelles une difficulté et une réponse étaient consignées, 447 (76,0 %) ont avancé grâce à l’aide humaine ; les agents se sont débloqués seuls dans 135 cas (23,0 %). Les principales formes d’aide étaient l’ajout de contexte ou la clarification des exigences (207 tâches), ainsi que le diagnostic du problème ou le changement de méthode (204). Une personne a repris l’essentiel du travail dans quatre tâches.

Les données sur les résultats montrent une répartition comparable. Sur les 627 tâches dont on connaissait le sort du principal résultat produit par l’IA, 354 ont nécessité une révision substantielle. Dans ce sous-ensemble, l’agent a effectué les modifications après un retour humain dans 75,4 % des cas, tandis qu’une personne a directement modifié le résultat dans 19,2 % des cas. Les chercheurs pouvaient donc demander une modification sans la réaliser eux-mêmes.

Une mesure issue des journaux a également augmenté au fil du développement : au sein d’une cohorte de 22 participants, le nombre médian quotidien d’actions d’agent consignées par invite humaine est passé de 11,0 le 7 août à 28,5 le 4 septembre. La mesure utilise une fenêtre glissante de sept jours et reposait chaque jour sur des ratios valides pour 21 ou 22 personnes. Elle compte l’activité ; elle ne permet donc pas d’établir que les agents ont gagné en autorité ou que leurs résultats se sont améliorés.

## Ce que les données de tâches permettent d’établir

Les participants ont estimé s’ils auraient pu accomplir leur part d’une tâche sans IA, à périmètre, qualité et ressources égaux. Parmi les 455 tâches assistées par l’IA et achevées pour lesquelles les réponses étaient exploitables, ils en ont jugé 151, soit 33,2 %, irréalisables sans IA. Il s’agit d’une estimation contrefactuelle déclarée, et non d’une expérience où l’équipe aurait refait ces tâches sans agent. Elle ne permet pas d’affirmer que personne n’aurait tenté ces travaux dans d’autres conditions.

L’article ne précise pas comment les 56 participants ni les 769 tâches ont été échantillonnés, et ses liens publics ne donnent accès ni aux réponses sous-jacentes sur les tâches ni aux journaux des agents pour une analyse indépendante. Les résultats de référence évaluent Atria Dawn Preview en tant que modèle. Ils ne montrent pas qu’un système d’IA a amélioré de façon autonome son successeur. Pour les équipes qui décident du travail à déléguer, la limite rapportée est précise : dans ce projet, les agents ont souvent proposé et révisé du travail, tandis que les participants ont déclaré avoir conservé la plupart des choix sur les objectifs, les méthodes et l’acceptation.

## Sources

- [Équipe Atria, Atria Dawn: The Dawn of Agentic Superintelligence, arXiv v2](https://arxiv.org/html/2609.15818v2) —  Étude de cas principale. La section 4 et les figures 6 à 10 présentent les mesures relatives aux tâches, aux décisions, aux interventions, aux révisions et aux journaux. Les données proviennent du propre projet de développement de modèle des auteurs ; l’article ne décrit pas d’échantillonnage représentatif et ne fournit ni les réponses des participants ni les journaux d’agents sous-jacents.
- [Notice arXiv d’Atria Dawn et historique des versions](https://arxiv.org/abs/2609.15818) —  Confirme le dépôt de la prépublication le 14 septembre et la révision v2 du 17 septembre, et renvoie au PDF complet. Le titre de l’article ne prouve pas qu’une superintelligence autonome a été atteinte.
- [Dépôt public d’Atria Dawn Preview](https://github.com/atria-asi/Atria-Dawn-Preview) —  Le dépôt public lié propose les ressources de publication du modèle et un PDF de l’article. Lors de la consultation, il ne contenait ni réponses à l’étude au niveau des tâches, ni journaux des agents, ni scripts permettant de réanalyser les figures sur les décisions humaines et celles des agents.
- [The Decoder : Les agents d’IA font davantage de travail dans le développement des modèles, mais les humains prennent toujours les décisions](https://the-decoder.com/ai-agents-do-more-of-the-work-in-model-development-but-humans-still-make-the-decisions/) —  Article secondaire à l’origine de cette commande. BIG CHANGE a vérifié les affirmations sur l’étude à partir de l’article primaire et considère l’estimation de faisabilité sans IA comme l’avis des participants, et non comme la preuve que le travail n’aurait jamais été entrepris.